赛灵思推出自适应SOM为AI赋能边缘应用提供更高效解决方案

随着以人工智能技术为代表的数字经济浪潮的来临，如今，AI 正越来越多地被部署于边缘应用，这些应用要求以低时延、低功耗和小封装尺寸执行大量数据处理。

要想实现这一综合要求就必须为整体 AI 流程和非 AI 流程都进行提速，这也要求加速平台必须具备灵活应变的能力。在此背景下，赛灵思推出自适应 SOM为 AI 赋能边缘应用提供了更高效的解决方案。

自适应 SOM 的研发思路

在构建一款 AI 赋能边缘应用的过程中可能会遇到大量可用的方案。在众多行业中，通用方法是硬件设计团队开展“芯片先定”的策略，尽管这种方法能切实提供高度优化的实现方案，但需要耗费大量开发时间与成本才能达到量产就绪状态。 为节省研发支出和时间，赛灵思设计团队采用了集成度更高的解决方案，即自适应系统模块（SOM）。SOM 提供了一个完整的可量产化计算平台，与“芯片先定”开发相比，可节省大量开发时间和成本。此外，SOM 还能插入更大型的边缘应用中，既能为定制实现方案带来灵活性与易用性，又缩短了现成解决方案的上市时间。

自适应计算为 SOM 提供技术支持

对于 AI 赋能的边缘应用而言，自适应计算是最具前景的支持技术之一。自适应计算涵盖了一套综合全面的设计与运行时软件集，这些软件结合起来，造就了一款独特的自适应平台，在此之上可以开发高度灵活且高效的系统。 借助自适应计算，无需 ASIC 等定制芯片器件涉及的设计时间和前期成本就能实现 DSA，这便于为任何给定领域迅速开发灵活的、经优化的解决方案，包括 AI 赋能的边缘应用。此外，自适应计算允许为应用专门开发硬件，而且如果工作负载或标准发生演进，仍能根据需要灵活适应。

自适应 SOM 为开发者赋能

自适应 SOM 是一种面向边缘应用的理想平台，不论是对于硬件开发者还是软件开发者而言，它都拥有固定芯片技术的 SOM 所不能比拟的独特优势。 对于硬件开发者而言，适应 SOM 能够支持开发者使用现成的、可量产化的解决方案，从而省去大量的开发成本和时间。与典型“芯片先定”方式相比，基于 SOM 的设计可助力嵌入式视觉应用提前 9 个月完成。此外，自适应 SOM 还支持设计流程后期的修改设计。 对于软件开发者而言，自适应 SOM 可以在其熟悉的 Python、C++、TensorFlow 和 PyTorch 等环境下，为其提供易于使用、开箱即用的体验。除了预构建平台和 API ，综合全面的软件工具还能实现自适应硬件的完全定制，从而进一步提升灵活性和优化水平。

原文标题：开箱+研讨会，深入了解 KRIA SOM

文章出处：【微信公众号：赛灵思】欢迎添加关注！文章转载请注明出处。

责任编辑：haq